Mittwoch, 19. September 2018
Benutzername
Passwort
Registrieren
Passwort vergessen?

Home
e-journal
Der Aktuelle Fall
CME online
News
Gesundheitspolitik
Therapiealgorithmen
Videos
Veranstaltungen
Broschüren
Zentren
Kasuistiken
Studien


Suche
Archiv
Buchbestellung
Newsletter
Probe-Abo
Impressum


journalmed.de


Anzeige:
 
 

JOURNAL ONKOLOGIE – NEWS
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!
28. September 2017 Seite 1/2

Vorhersage von Arzneimittel-Ziel-Interaktionen

Ein internationales Team von Wissenschaftlern hat eine leistungsfähige Berechnungsmethode entwickelt, welche Prinzipien der Selbstorganisation eines Gehirnnetzwerkes nutzt, um neue höchst zuverlässige Arzneimittel-Ziel-Interaktionen vorherzusagen. Für diese Vorhersage ist nur die Kenntnis der Verknüpfungsstruktur des molekularen Netzwerkes, nicht aber die Kenntnis der chemischen Strukturen der Arzneimittel notwendig.
Anzeige:
Fachinformation
 
Die Arzneimittelentwicklung steht immer höheren Kosten gegenüber. Neueste Schätzungen gehen von über einer Milliarde US-Dollar für jede neue Markteinführung aus. Die Neupositionierung von Arzneimitteln durch die Identifizierung neuer Nutzungsmöglichkeiten für Arzneimittel scheint eine vielversprechende Lösung für dieses wirtschaftliche Problem zu sein. Eine Voraussetzung für eine solche Neupositionierung ist die Identifizierung neuer Ziele für bekannte Arzneimittel. Aus diesem Grund wurde eine große Anzahl an Methoden und Datensätzen vorgeschlagen und bei dieser Arzneimittel-Target Interaktion (DTI) angewendet.

Es sind vor allem zwei Aspekte, welche die von Dr. Carlo Vittorio Cannistraci, Nachwuchsgruppenleiter der Biomedizinischen Kybernetik am BIOTEChnologischen Zentrum der TU Dresden und seinen Kollegen vorgeschlagene Methode besonders machen. Zum einen nutzt diese Methode eine von Gehirn-Netzwerken abgeleitete Regel zur Bildung neuer Verbindungen. Zum anderen können mithilfe dieser Methode neue Arzneimittel-Target Interaktionen vorhergesagt werden.

Dies geschieht durch die ausschließliche Nutzung eines bekannten Netzwerkes aus bereits etablierten Interaktionen. Zusätzliche biologische oder molekulare Informationen wie z.B. die chemischen Gemeinsamkeiten für Arzneimittel, sowie Ähnlichkeiten in der Proteinsequenz von Zielmolekülen, sind dabei nicht notwendig. Die Fähigkeit zur Vorhersage neuer Interaktionen ergibt sich aus der nichtlinearen strukturellen Organisation eines komplexen Netzwerkes. Auf Basis dieser Beobachtung entwickelte Dr. Cannistraci vor einigen Jahren die Local-Community-Paradigm (LCP) – Theorie, welche besagt, dass viele reale komplexe Netzwerke in ihrer strukturellen Organisation aus lokalen Gemeinschaften Gehirnnetzwerken ähneln. Diese lokalen Gemeinschaften begünstigen eine hohe Signalaktivität und damit die Entwicklung neuer Verbindungen in den Gemeinschaften. Die Idee von Dr. Cannistraci wurde durch die bekannten Hebb’schen Lernregeln inspiriert. Diese Regeln wurden Ende der 40’er Jahre durch den Psychologen Donald Olding Hebb aufgestellt. Je häufiger verschiedene Neurone gleichzeitig aktiv sind, umso bevorzugter werden Verbindungen zwischen ihnen entstehen. Dr. Cannistraci nahm wahr, dass die Netzwerktypologie eine entscheidende Rolle bei der Isolierung von Neuronenkohorten in funktionalen Modulen spielt. Diese können auf eine natürliche Art und Weise, sowie bevorzugt eine lokale Verarbeitung durchführen – denn die Lokale-Gemeinschafts-Organisation der Netzwerktypologie erstellt eine physikalische und strukturelle „Energie-Schranke“ (eine topologische Lücke zwischen verschiedenen Gemeinschaften). Diese beschränkt die Neuronen darin, gemeinsam in einer bestimmten Gemeinschaft zu feuern und daraus resultierend neue Links inmitten dieser Gemeinschaft zu schaffen. Aus dieser lokalen Netzwerkkonnektivität ergibt sich ein Lernprozess, den Cannistraci als epitopologisches Lernen bezeichnet. Dieses entsteht als eine allgemeine topologische Interpretation des Hebb’schen Lernens – dessen Definition nur für neuronale Netzwerke gegeben war. Deshalb wurden sowohl das epitopologische Lernen als auch das damit in Verbindung stehende Lokale-Gemeinschaft-Paradigma (LCP) entsprechend als lokale Lern- und Organisationsregeln vorgeschlagen, die sowohl allgemein für die Modellierung von Verbindungswachstum als auch für die Vorhersage topologischer Verbindungen in jedem komplexen Netzwerk mit einer LCP Architektur gelten. Bei der Studie wird deutlich, dass die LCP-Theorie und der abgeleitete Algorithmus für eine Verbindungsvorhersage auf Basis des epitopologischen Lernens, hervorragende Ergebnisse auch in der Vorhersage netzwerkbasierter Arzneimittel-Ziel-Interaktionen liefern.
 
Vorherige Seite
1 2
 
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!

Anzeige:
 
 
 
 
Themen
CUP
CML
Nutzen Sie auch die Inhalte von journalmed.de, um sich zu Informieren.
Mediadaten
Fachgesellschaften
Hilfe
Copyright © 2014 rs media GmbH. All rights reserved.
Kontakt
Datenschutz
Betroffenenrechte
AGB
Fakten über Krebs